Проблемы биометрической идентификации человека - Дипломная работа

Текущие темпы развития технологии позволяют решать все более сложные задачи и строить более сложные вычислительные системы, которые могут лучше подходить под критерии удобства использования человеком. Естественные интерфейсы предполагают взаимодействие человека и машины способами привычными именно для человека - через голосовые команды, жесты и мимику. Биометрическая идентификация, основанная на таких наиболее привычных человеку факторах как лицо и голос, применима в различных технологических сегментах, начиная с интерактивных видео-игр, и заканчивая идентификацией сотрудников на предприятии.В рамках данного проекта производится исследование методов и подходов к решению проблемы биометрической идентификации человека.На сегодняшний день существует несколько методов идентификации человека по его лицу: Eigenface, Fisherface, нейронные сети. В основе алгоритма Eigenface лежит метод главных компонент и вычисление собственных векторов и собственных значений ковариационной матрицы. Как и другие алгоритмы machine-learning метод Eigenface предполагает две основных процедуры: обучение и тестирование. На этапе обучения формируется матрица образцов изображений тех людей, которые в дальнейшем будут идентифицироваться алгоритмом. Каждое изображения представляются в виде одного вектора, получаемого с помощью последовательной конкатенации столбцов матрицы входного файла.В общем, решение проблемы идентификации человека по голосу состоит из трех основных блоков: извлечение особенностей, квантизация и создание моделей. Аудио-сигнал, получаемый с периферийного устройства, обычно представляется в виде амплитудного спектра, который в цифровом формате представлен большим набором точек. Такое представление избыточно в контексте рассматриваемой задачи, и для уменьшения размерности данных это амплитудное представление сигнала преобразуется в набор точек на Мел-шкале, которое имеет меньшую размерность, но, вместе с тем, хранит всю необходимую специфическую информацию о сигнале.Аналогичные системы многофакторной идентификации на сегодняшний день чаще всего имеют распространение в сфере производства, входя в комплекс продуктов для аутентификации, например, в охранных системах. Такие системы обычно требуют дополнительного более точного оборудования для снятия образцов, примерами могут служить IFACE202 и Multi-Bio 700, производимые ZKSOFTWARE. Обе упомянутые системы представляют собой терминалы многофакторной идентификации, работают с фотографиями лиц, отпечатками пальцев и прочими атрибутами. Также существует набор программных продуктов, которые не требуют сложного оборудования, а используют стандартные веб-камеры и микрофоны. Так, например, программа FASTACCESS от компании Logitech предлагает идентификацию и управление паролями на основе изображения лица.Каждая из секций предполагает свои собственные цели, задачи и результаты, необходимые для последующих этапов. На данном этапе формируется понимание подходов к решению поставленных задач и создается математическое описание, необходимое на следующем шаге. В рамках аналитической секции выбирается наиболее подходящие алгоритмы и подходы, формируется структура будущего программного средства.Вектор и число называются собственным вектором и числом квадратной матрицы А, если (1)Все изображения имеют одинаковые размерности по ширине и высоте;На данном этапе создается обучающая выборка, строится ковариационная матрица, вычисляются собственные вектора и значения, определяются их веса. Получаемое на вход изображение в обобщенном виде представляет собой матрицу . Это изображение преобразуется в один вектор путем конкатенации строк. Все изображения преобразовываются в вектора и образуют матрицу обучающей выборки , где n - количество изображений в обучающей выборке. Этот шаг необходим для того, чтобы каждый вектор нес только уникальную информацию об изображенииТестовое изображение преобразуется в вектор аналогично обучающим по [формуле 1] и нормируется по среднему [формула 3]. После чего производится преобразование: ,(7) где - вектор преобразованного тестового изображения, - вектор входного изображения. Расстояние d по Евклиду между двумя векторами a и b рассчитывается следующим образом: (8) Расстояние по Махаланобису помимо самих векторов учитывает и ковариационную матрицу C. В контексте рассматриваемой задачи необходимо рассчитать расстояния между вектором w и каждым вектором матрицы весов : (10) где - расстояние по Евклиду между тестовым изображением и j-тым изображением обучающей выборки, dist(a, b) - функция, рассчитывающая евклидово расстояние между векторами a и b.Отличием является кластеризация обучающих векторов, для чего рассчитываются внутриклассовые и между-классовые ковариационные матрицы. ,(13) где с - количество классов в выборке,-вектор, принадлежащий классу ,-средний вектор i-го класса.Впервые мел-шкала была представлена в Ньюманом, Стивенсом и Волкманом в 1937, как новое логарифмическое представление звука, более точно отражающее его восприятие человеческим ухом.

Содержание

Введение

1. Обзор предметной области

1.1 Направление исследования

1.2 Существующие методы решения поставленной задачи

1.2.1 Идентификация по изображению лица

1.2.2 Идентификация по записи голоса

1.3 Обзор литературы по проблеме идентификации человека по изображению его лица

1.3.1 Статья «Выделение лица на фотографии в реальном времени с помощью метода главных компонент»

1.3.2 Статья «Eigenfaces for Recognition»

1.3.3. Статья «Eigenfaces vs. Fisherfaces: Recognition Using Class

Specific Linear Projection»

1.4 Обзор литературы по проблеме идентификации человека по записи его голоса

1.5 Аналоги

1.6 Методика исследования

2. Описание используемых алгоритмов

2.1 Собственные вектора и числа матрицы

2.2 Алгоритм Eigenface

2.2.1 Этап обучения

2.2.2 Этап распознавания

2.3 Алгоритм Fisherface

2.4 Методы аудио-идентификации

2.4.1 Мел-частотные кепстральные коэффициенты

2.4.2 Векторная квантизация

2.4.3 Удаление участков тишины

3. Методы реализации и практические результаты

3.1 Инструменты реализации

3.2 Структура приложения

3.2.1 Модуль идентификации по изображению

3.2.2 Модуль идентификации по голосу

3.2.3 Модуль хранения данных и интерпретации результатов

4. Результаты эксперимента

4.1 Тестирование модуля идентификации по изображению лица

4.2 Тестирование модуля идентификации по аудиозаписи голоса

4.3 Тестирование объединения факторов

Заключение

Список источников